[发明专利]城市轨道交通的客流预测方法

说明书

本发明提供了一种城市轨道交通的客流预测方法，属于城市轨道交通列车运营控制技术领域。该方法编写数据接口，从Teradata大数据框架中获取实时的客流数据；对客流数据预处理，将客流量数据建模为二维数据；根据所述二维数据搭建卷积神经网络模型；训练卷积神经网络模型；利用训练好的卷积神经网络模型，从时间和空间两个维度同时预测多站客流量数据。本发明结合Teradata大数据框架，在预测城市轨道交通客流量时，充分考虑了车站间客流量的关联，从时间和空间两个维度上完成客流量的精准预测。

技术领域

本发明涉及城市轨道交通列车运营控制技术领域，具体涉及一种城市轨道交通的客流预测方法。

背景技术

近些年来，日益加重的城市交通拥堵问题成为制约经济发展的主要因素，因此以地铁为代表的城市轨道交通系统得到了大力的发展。地铁相比与其他的交通方式具有较大的优势，主要体现在运量大、污染小、省能源，并且具有快捷、方便、安全、舒适的特点。但是随着地铁线路规模的不断扩大和运营方式更加复杂，地铁运营的安全以及乘客的舒适度都面临着极大的挑战。客流的精准预测可以帮助优化行车间隔和制定合理的运营方案，从而有效地缓解交通拥堵和提高乘客的舒适度。

随着卷积神经网络及相关技术的不断发展，成功应用于图像识别等领域。深度神经网络的优势主要体现在：(1) 权重共享：卷积层中卷积核的参数都是共享的，因此大大降低了参数规模，使得网络结构更加容易优化，提高了学习效率。(2) 局部区域感知：卷积神经网络中前一层和下一层的神经元没有全部互相连接，而是通过卷积核的作用进行局部感知，这样可以分层逐步提取高层次的特征，提高了模型的泛化能力。(3) 降采样：卷积神经网络经过卷积之后特征维度仍然很大，因此通过池化层降低了卷积神经网络的维度，提高计算效率。使用卷积神经网络预测城市轨道交通客流量，需将客流数据建模为以时间为横坐标、车站为纵坐标的二维时间序列数据。卷积神经网络预测客流量的优势在于，从时间和空间两个维度完成预测，充分考虑了车站间客流数据的相互影响。

Teradata数据库自1984年首次推出以来，逐渐发展成为一个成熟的关系数据库管理系统，广泛应用于构建大规模数据仓库。目前地铁公司也开始使用Teradata大数据仓库存储客流、行车等数据，加速了地铁从自动化向智能化的转变。Teradata数据库相比于其他数据库的优势主要体现在：(1) 无限并行化，Teradata数据库是基于MPP架构，这种架构使得Teradata能够进行大规模并行处理。MPP架构将总任务分割成独立的子任务，并平均分配负载，更加高效地完成任务。(2) SQL扩展，Teradata支持通用的SQL语句与数据库中的数据进行交互。(3) 自动分发，Teradata将自动完成数据分发功能，不需要手动操作。(4) 无共享架构：Teradata的基础架构为共享无架构类型，Teradata的访问处理器(AMP)与磁盘是相互独立的，数据不会共享。

目前通常使用时间序列预测的方法，预测城市轨道交通的客流量。时间序列预测法的优点是客流数据处理简单，可以很方便地利用模型从时间维度上，预测城市轨道交通的客流量。但是时间序列预测法往往仅从时间维度上预测城市轨道交通客流量，而城市轨道交通车站间的客流是存在联系的，导致大多数模型在城市轨道交通客流预测中精度较低。并且目前对城市轨道交通客流预测的方法，很少和大数据环境相结合，导致预测模型不能及时获取高质量客流数据，也在一定程度上影响了预测精度。

发明内容

本发明的目的在于提供一种利用卷积神经网络，结合Teradata大数据框架，从时间和空间两个维度上，预测城市轨道交通客流量，充分考虑了客流量的空间特性，有效提升了客流量预测精度的城市轨道交通的客流预测方法，以解决上述背景技术中存在的技术问题。

为了实现上述目的，本发明采取了如下技术方案：

本发明提供的一种城市轨道交通的客流预测方法，包括如下流程步骤：

步骤S110：编写数据接口，从Teradata大数据框架中获取实时的客流数据；